「어떤 LLM이 가장 강력한가」보다 어떻게 조합할지를 생각하고 싶다

단일 LLM의 성능에 집착하기보다, 여러 모델을 목적에 맞게 조합하여 사용하는 설계 관점을 제안합니다. 모델을 단일 도구가 아닌 각기 다른 역할을 가진 팀처럼 다루어 생성, 리뷰, 통합의 과정을 구축하는 것이 실무적임을 강조합니다.

AI 코딩으로 '수정한 기능'을 다시 망가뜨리지 않기 위해, 1인 개발에서 도입한 회귀 방지 체크

1인 개발자가 AI 코딩 도구를 사용할 때 발생하는 기능 회귀(Regression) 문제를 방지하기 위한 현실적인 체크리스트와 로직 관리 방법을 공유합니다. 테스트 코드가 부족한 환경에서 앱의 실행 여부를 넘어 로직의 정확성을 검증하는 실무적인 접근법을 다룹니다.

모바일 개발 과정에서 동작 확인 및 시각적 검증을 자동화하여 개발 비용을 절감하는 전략을 다룹니다. AI 에이전트의 스캐폴딩과 자기 치유(Self-healing) 기술을 활용해 테스트 스크립트 작성 속도를 높이고, 컴포넌트 단위의 재사용성을 통해 장기적인 회귀 테스트 비용을 제로화하는 아키텍처를 제안합니다.

Google이 Gemini API의 Managed Agents 기능을 확장하여 백그라운드 태스크 실행과 원격 MCP 서버 연결을 지원한다고 발표했습니다. 이를 통해 에이전트를 비동기적으로 가동하고 외부 도구 및 데이터 소스를 유연하게 연결할 수 있게 되었습니다.

LLM 에이전트가 인간의 개입 없이 침입부터 암호화까지 전 과정을 스스로 판단하여 수행한 최초의 '완전 자율형 랜섬웨어' JADEPUFFER 사례를 분석합니다. 에이전트가 자연어 주석을 통해 공격 이유를 기록하고, 실패 상황에서도 스스로 전술을 수정하며 공격을 완수했다는 점이 특징입니다.

그 AI, 루트를 grep으로 뒤지고 있지는 않나요? ── MOC라는 지식 지도로 이끌기

LLM과 Obsidian 로컬 지식 베이스를 결합할 때 발생하는 무차별적인 grep 방식 탐색의 한계를 지적합니다. MOC(Map of Contents)를 활용하여 AI가 지식의 계층 구조를 따라 효율적으로 정보를 탐색하도록 하는 새로운 접근법을 제안합니다.

GraphRAG와 Vector RAG를 1만 건의 문서로 비교하여 구축 비용, 시간, 지연 시간을 실측한 결과입니다. GraphRAG는 높은 정확도를 제공하지만, Vector RAG 대비 구축 시간은 약 165배, 비용은 수십 배 더 소요되어 실무 적용 시 경제성을 반드시 고려해야 합니다.

AI가 제안한 pip install, 그 이름은 정말 존재하나요? — 패키지 환각과 slopsquatting으로부터 의존성을 보호하기 위한

AI가 생성한 코드 내 존재하지 않는 라이브러리 이름을 공격자가 선점하여 악성 패키지를 등록하는 'slopsquatting' 공격의 위험성을 경고합니다. AI의 환각(Hallucination) 현상을 악용한 새로운 보안 위협의 구조와 대응 필요성을 다룹니다.

Ollama의 Modelfile을 활용하여 로컬 LLM에 시스템 프롬프트를 고정하는 방법을 소개합니다. 이를 통해 모델의 역할, 제약 조건, 출력 형식을 설정하여 특정 언어를 항상 함께 출력하도록 커스텀 모델을 만드는 과정을 다룹니다.

Anthropic의 Claude Managed Agents에 보안 강화 기능인 'Vaults'와 스케줄 실행(cron) 기능이 추가되었습니다. Vaults는 API 키를 모델의 컨텍스트에 노출하지 않고 네트워크 경계에서 주입하여 보안 리스크를 구조적으로 차단합니다.

AI 기억 검색에 recall gate 도입하기: 오래된 기억, 모호한 일치, 미승인 메모를 그대로 사용하지 않기

AI 에이전트의 장기 기억 검색 시, 부적절한 정보를 필터링하기 위한 'recall gate' 설계 방식을 제안합니다. 유사도 점수뿐만 아니라 스코프, 승인 상태, 최신성 등을 검증하여 답변의 정확도를 높이는 구현 가이드를 다룹니다.

LangGraph를 활용하여 운영 환경에서도 안정적으로 작동하는 견고한 AI 에이전트를 구축하기 위한 5가지 디자인 패턴을 소개합니다. 상태 유지형(Stateful) 워크플로우와 체크포인터를 통한 회복성 확보 방법을 다룹니다.

Claude Fable 5 본격 검증 ~ Opus의 2배 가격, 어떤 업무라면 본전을 뽑을 수 있을까 시도해 보았다

Claude Fable 5와 Opus 4.8의 실무 성능을 비교 검증한 결과, 장시간의 자율 태스크와 모호한 의도 파악에서 Fable 5가 우위를 보였습니다. 단순 반복 작업에서는 가격 대비 효용이 낮으므로 재작업 횟수를 기준으로 모델 전환을 판단할 것을 권장합니다.

Android CLI와 Figma MCP의 궁합이 좋았던 건에 대하여

Android CLI와 Figma MCP를 결합하여 AI 에이전트의 UI 구현 정밀도를 높이는 방법을 소개합니다. Figma 디자인을 참조하고 Compose Preview를 렌더링하여 디자인과 코드 간의 일치성을 향상시킬 수 있습니다.

FETCH APPROXIMATE (EXACT)와 옵티마이저 힌트 중 어느 것이 우선되는가

Oracle AI Vector Search에서 FETCH 절의 EXACT/APPROXIMATE 설정과 옵티마이저 힌트 간의 우선순위를 실험합니다. 실험 결과, FETCH EXACT 설정 시에는 인덱스 사용 힌트가 무시되지만, FETCH APPROXIMATE 설정 시에는 인덱스 미사용 힌트가 우선 적용됨을 확인했습니다.

【RAG 성능 향상】 문서 청킹(Chunking) 최적화 기법을 코드를 포함하여 해설

RAG 시스템의 검색 정밀도를 결정짓는 핵심 요소인 문서 청킹(Chunking) 최적화 기법을 소개합니다. 재귀적 분할, 세만틱 청킹, 구조화 분할의 특징과 구현 코드를 통해 문서 성격에 맞는 최적의 분할 전략을 제시합니다.

일본어 회의용 AI 회의록을 설계할 때 실제로 효과적이었던 3가지 판단

일본어 회의록 AI를 설계할 때 실무 효율을 높이기 위한 3가지 핵심 설계 원칙을 소개합니다. 구조화된 요약 포맷, 화자 분리 및 문체 유지, 그리고 데이터 보안을 고려한 아키텍처 설계를 강조합니다.